摘 要

港口是水运系统中连接船舶与其它运输工具的枢纽，也是国家进出口贸易的核心窗口。港口货物吞吐量的准确预测是港口规划建设过程中基础且关键的一环，在确定港口发展方向、港口经营策略、港口及码头基础设施建设、码头泊位选址等各个方面，均发挥着极为重要的作用。为了提高港口货物吞吐量的预测精度，本文在综述当前预测方法的基础上，应用矩阵低秩稀疏分解理论和小波神经网络建立了我国沿海主要港口货物吞吐量预测方法，数值实验结果证明了本文预测方法的有效性。本文研究工作主要包括以下几个方面：

首先，将我国沿海18个主要港口在1996-2015年的货物吞吐量数据组成二维矩阵。港口货物吞吐量总体上呈现稳定的发展趋势，但因各种外界因素的影响易导致少量的波动。采用低秩稀疏分解理论将由货物吞吐量构成的二维矩阵分解成低秩矩阵（即稳定发展成分）和稀疏矩阵（即波动变化成分）两部分。

其次，为提高港口货物吞吐量的预测精度，利用具有自适应、自学习和精度高等优点的小波神经网络，构建基于小波神经网络的低秩和稀疏成分预测模型，并将这两部分预测结果进行融合即可同时得到我国沿海18个主要港口的货物吞吐量预测结果。

最后，将本文提出的基于低秩稀疏分解的港口货物吞吐量预测方法与其他三种常用的典型预测算法（即灰色GM(1,1)模型、BP神经网络模型和组合预测模型）从主客观两方面进行比较分析，以体现本文方法的优越性。

由于港口货物吞吐量预测的非线性和复杂性，以及研究时间有限等因素的影响，本文还有很多需要改进的地方。针对研究过程中发现的问题，今后将主要从预测模型的可推广性、稳定性及准确性等方面进行研究。

关键词：港口；货物吞吐量；预测方法；低秩稀疏分解；神经网络

Abstract

A port is the hub of ship and other means of transportation in the water transport system. And it is also the main window of national import and export trade. As a fundamental and key link in the process of port construction and planning, accurate port throughput forecasting plays a very important role in determining the development direction, the management strategy, the infrastructure construction, the berth location and some other aspects of a port. In order to increase the prediction accuracy of port cargo throughput, based on the review of current forecasting method, this paper uses the matrix low-rank and sparse decomposition theory and wavelet neural network to establish the forecasting method of cargo throughput of major coastal ports in China. The numerical results show the validity of this prediction method. This paper mainly includes the following aspects:

Firstly, use the cargo throughput data of 18 major coastal ports in China from 1996 to 2015 to form a two-dimensional matrix. The port cargo throughput generally shows a stable development trend, but some small fluctuations will arise due to the impact of various external factors. The two-dimensional matrix composed of cargo throughput is decomposed into low rank matrix (stable development component) and sparse matrix (fluctuating component) by using low-rank and sparse decomposition theory.

Secondly, in order to improve the prediction accuracy of port cargo throughput, a low-rank and sparse component prediction model based on wavelet neural network is constructed due to the adaptive, self-learning and high precision of wavelet neural network. The prediction results of these two parts are added up to get the final port cargo throughput forecast results.

Finally, the proposed method is compared with gray GM(1.1) model, BP neural network model and the combination model of the two. The results are analyzed in both subjective and objective aspect to show the superiority of the proposed method.

Due to the nonlinearity and complexity of port cargo throughput forecasting and the limited time of research, this paper still has many details to be improved. In view of the problems found in the research process, we will work on the generalization, stability and accuracy of the forecasting model in the future.

Key words: port; cargo throughput; forecasting method; low rank and sparse decomposition; neural network

目录

第1章 绪论 1

1.1 研究背景与意义 1

1.1.1 研究背景 1

1.1.2 研究意义 2

1.2 国内外相关研究现状 3

1.3 论文主要研究内容 5

1.4 研究方法及路线 7

第2章 常用港口货物吞吐量预测方法 9

2.1 概述 9

2.2 灰色GM(1,1)模型 9

2.3 BP神经网络 10

2.4 组合预测模型 12

2.5 本章小结 13

第3章 基于低秩稀疏分解的港口货物吞吐量预测方法 14

3.1 概述 14

3.2 港口货物吞吐量矩阵低秩稀疏分解 14

3.3 基于小波神经网络的低秩稀疏成分预测 17

3.4 低秩稀疏预测结果融合 19

3.5 本章小结 20

第4章 数值实验与结果分析 21

4.1 概述 21

4.2 数值实验 21

4.3 预测结果客观评价 22

4.4 预测结果主观分析 27

4.5 本章小结 30

第5章 总结与展望 31

5.1 总结 31

5.2 展望 31

参考文献 33

附 录 35

致 谢 38

第1章 绪论

1.1 研究背景与意义

1.1.1 研究背景

水路运输是我国综合运输体系中重要的组成部分，也是我国内外贸易过程中最主要的运输方式之一。而港口则是其中连接船舶与其它运输工具的枢纽，也是国家进出口贸易的窗口。近年来，我国国民经济持续快速增长，进出口贸易总额不断上升，港口吞吐量也稳步增长（如图1-1所示）。根据国家交通运输部发布的《2016年交通运输行业发展统计公报》，2016年全国港口完成货物吞吐量132.01亿吨，比上年增长3.5%。其中，沿海港口完成84.55亿吨，增长3.8%；内河港口完成47.46亿吨，增长3.1%。

图1-1 2011-2016年全国港口货物吞吐量

港口货物吞吐量的准确预测是港口规划建设过程中基础且关键的一环，在确定港口发展方向、港口经营策略、港口及码头基本设施建设、码头泊位选址等各个方面，都有着极为重要的作用。

新世纪以来，我国港口迅速发展，港口货物吞吐量飞速增长；但自从2008年国际金融经济危机爆发以后，全球的发达国家经济都处于萎靡的态势，时至今日仍增长迟缓。因为发达国家的需求疲软，国际航运市场持续低迷，直接导致我国绝大部分港口的货物吞吐量增长持续变缓。港口货物吞吐量预测作为港口规划建设过程中关键的一环，是相关专家、学者以及政策决策者们共同关心的问题。但由于新的形势下，港口货物吞吐量增长规律相比以往出现了较大变化，大多数传统的预测方法和模型难以达到令人满意的预测效果，不再适用。符合当前我国港口发展的新的港口货物吞吐量预测方法及模型亟需得到开发与应用。

近年来，矩阵的低秩稀疏分解在图像处理^[1]、压缩感知^[2]、机器学习^[3]等研究领域取得了令人满意的效果，并已成功扩展至交通流预测^[4]和航空货运量预测^[5]等工程应用领域，相比现有的预测方法能够有效地提高预测精度。在正常的经济与自然环境下，港口货物吞吐量呈现出较稳定的发展趋势，使得某一港口货物吞吐量发展对应的时间序列具有自相似性；同时，少量存在的经济与自然环境突变会对港口货物吞吐量的发展产生较大的影响，这种突变影响存在稀疏性的特点。将我国沿海主要港口近20年的货物吞吐量数据组成二维矩阵，此时数据的自相似性能够用低秩性进行描述，使得新构建的二维矩阵既具有低秩性，也包含稀疏性的特点。本文创新性地将矩阵的低秩稀疏分解应用于港口货物吞吐量预测，在将原始货物吞吐量数据分解成具有强规律性低秩和稀疏矩阵的基础上，采用能够有效处理非线性预测问题的小波神经网络对低秩和稀疏矩阵分别进行预测，相比直接对原始数据进行处理能够取得更高的预测精度。低秩矩阵能够稳定地描述货物吞吐量整体上的发展趋势，稀疏矩阵的引入能够较好地将环境突变因素考虑其中，使得最终的预测结果更加符合实际情况，整体上促进了预测精度的提升。

1.1.2 研究意义

港口货物吞吐量作为反映港口生产经营成果的重要数值指标，是港口地位和影响最直观的体现。港口要扩大市场份额、提升竞争力，关键在于提前进行规划与管理。科学准确的港口货物吞吐量预测是港口规划建设过程中基础而关键一环，是港口管理与决策者进行正确规划和决策的基础。准确的港口货物吞吐量预测，有利于政府在制定港口相关政策时，准确把握港口定位以及港口的前景，制定出符合生产实际的好政策。合理的港口货物吞吐量预测，能指导港口提前规划建设与港口发展规模相适应的基础设施、港口物流系统及码头泊位等等。对港口货物吞吐量的准确预测，还有利于港口企业合理地对相关专业人才的储备、培养进行调整，为企业健康发展打下基础。

本文提出了一种全新的基于低秩稀疏分解的港口货物吞吐量预测方法，在预测过程中一定程度上可考虑各港口间的相互影响以提高预测精度，为其他科研人员研究港口货物吞吐量预测提供了一种新的方法与思路。提出的预测方法可同时预测多个港口的货物吞吐量发展趋势，避免现有预测方法每次只能预测单一港口货物吞吐量发展趋势的不足，可为解决某一地区所有港口或某一特定港口集群的货物吞吐量预测之类的问题提供一种可靠的方案。总体而言，本文提出的方法可以准确预测中国沿海主要港口未来几年的货物吞吐量发展趋势，为确定港口发展方向、港口经营策略、港口及码头基本设施建设、码头泊位选址以及综合运输网络的建设等各个方面等提供数据依据。

1.2 国内外相关研究现状

目前常用的港口预测方法主要有专家预测、线性回归、灰色预测、神经网络、指数平滑和组合预测等方法。归纳起来可分为定性预测方法和定量预测方法。由于港口货物吞吐量的预测需要比较高的精度，而定性预测具有模糊性与概括性，往往不能给出精确的预测结果，并不适合于货物吞吐量的预测，故本文主要研究的是定量预测方法。

下面重点介绍定量预测中常见的几种理论与方法：

1. 时间序列法

时间序列预测法是通过构造和分析时间序列，通过其反映出来的发展趋势，进行类推来预测下一时间段结果的预测方法。其中在港口预测方面最常用的是指数平滑法和ARIMA模型。

指数平滑法^[6]是在移动平均法基础上发展起来的一种时间序列分析预测法，兼备全期平均和移动平均所长，不舍弃过去的数据，而是给予逐渐减小的权重系数，是一种实用的中、短期预测方法。关克平等^[7]对比二次指数平滑、对数二次指数平滑和三次指数平滑模型，对宁波一舟山港2009-2011年港口吞吐量进行建模预测，结果表明三次指数平滑的预测模型更佳，并应用该模型对2012-2014年港口吞吐量进行了预测。陈宁等^[8]指出快速增长的港口货物吞吐量数据曲线用指数函数拟合最为合适，所以针对货物吞吐量快速增长的港口，对数二次指数平滑预测模型更为可靠；并针对某港口，建立了二次指数平滑模型进行预测，结果表明该方法优于其他方法。黄容富等^[9]以某一港口近15年的货物吞吐量数据作为原始数据，建立三次指数平滑预测模型，编写出基于Visual Basic语言的计算机程序，求得相应的吞吐量预测结果。

ARIMA模型^[10]全称为差分自回归移动平均模型(Autoregressive Integrated Moving Average Model)，是由Box和Jenkins于1970年在随机理论的基础上提出的一种时间序列分析方法。ARIMA模型能够在自回归项、单整项和移动平均项的基础上对数据扰动项进行建模分析，以实现在预测过程中同时考虑时间序列数据的过去值、当前值和误差值，达到提高模型预测精度的目的。ARIMA模型能够充分利用历史数据中蕴含的自相似性与周期性特点，目前已被广泛地应用于经济学领域。许晓静^[11]以1999-2009年我国沿海规模以上港口的货物吞吐量月度数据为基础，应用时间序列建模方法，构建了ARIMA季节乘积模型，并对2010年前三个季度的货物吞吐量做出短期预测。刘宇璐等^[12]结合武汉港口货物吞吐量波动性、周期性及非线性变动趋势特征，构建具有非线性特征的ARIMA模型，来预测武汉港货物吞吐量，并验证了该模型的有效性和稳定性，进而应用于预测。陶丽丽等^[13]在时间序列分析的基础上，以上海港2002-2009年的集装箱吞吐量为例，建立了基于MATLAB软件的ARIMA(0,1,1)×(0,1,1)₁₂乘积季节模型，结果表明该乘积季节模型预测精度较高，预测结果更加合理，有广泛的应用前景。

（2）灰色预测理论